国盛海外 怎么看待Kimi K3和GLM52的迭代差异模型的竞争格局

00:00:01 大家好，欢迎参加国盛海外，怎么看待kimik3和gim5.2的迭代差异模型的竞争格局？目前所有参会者均处于静音状态，下面开始播报声明。本次会议仅面向国盛证券的专业投资机构客户或受邀客户，会议中嘉宾的发言内容仅代表其个人观点，国盛证券研究人员的发言内容仅代表当日的判断，具体请参见完整版的研究报告。未经国盛证券事先书面许可，任何机构或个人严禁录音、转发及相关解读。涉嫌违反上述情形的，我们将保留追究相关方法律责任的权利。 00:00:46 好的啊，各位投资人大家下午好，我是国盛海外首席夏军。嗯，在Kimi的K3模型推出来以后，市场的反响比较强烈。那我们看到啊，港股上市的呃一些其他大模型公司呢，也呃迎来了一些这个资金链的一些波动。那就这个模型的格局啊，是否就此固定，以及怎么看待几家的这个竞争的呃长期竞争的这个核心的差异点。那我们呃今天请啊我们团队的同事焦安东来给各位来做一个汇报，来就大家嗯可能最关心的几个问题来聊一聊啊，我们的一些这个观点和看法。好，那接下来就有请安东。好的，谢谢夏老师。嗯，各位投资人大家好， 00:01:41 那今天呢，我就想围绕两件事情去展开，第一件事情就是首先。介绍一下Kimi K3模型，那第二的话就是介绍Kimi K3和GM5.2的一个差异点到在哪儿，以及这些差异对于模型的一个竞争格局是。怎么看最后的话我会就是呃再分享一下，就是未来如果不同模型之间的能力，他们在长期如果存在差异的话，整个商业化会是怎么样的一个分层。对今这是本次电话会的主要围绕的几个点。那首先呃Kimi介绍Kimi K3的一个呃就是这个模型的一个架构啊，包括它的一个参数啊等等，但是呃在上周Kimi推出K K3的时候，其实对于整个国内外模型市场都其实造成了不小的一个冲击啊。 00:02:31 就一方面呢，像海外模型厂商呃比如OpenAI和SOP为大为首的两家大模型公司啊，他们两个人两家其实是在海外会担忧一个kex的可持续性。因为首先就是海外的K派相较于国内的呃，整体规模其实是高一个数量级的，那他们在有如此的算力资源情况下做出的模型，如果被国内相呃国内这种资源相对比较稀缺的环境下能。过去逼近的话，其实对于整个K派的呃呃展望，其实是不太不太好的一个征兆。这是海外，那国内的话其实主要还是港股上市的两家大模型公司，主要是智谱和MiniMax。这两家其实短期的资金面都受到了不同程度的一个冲击。 00:03:16 其实核心大家还是一个估值锚点，就是模型的一个性能。因为呃这个行就是大模型行业，它其实是不同于传统互联网行业的，因为它没有很明显的一个网络效应，也就是说用户他的一个使用粘性以及切换成本都很低。 00:03:33 所以的话就是本次电话会也想探讨一下，就是呃如果要拿Kimi K3和GM5.2去比较的话，该怎么去比较，或者说应该去看重什么。 00:03:45 那首先回到Kimi K3模型本身，那Kimi K3本身是国内目呃国内外目前最大的一个参数，那个最大参数的开源模型，它总参数量达到了2.8T，并且呢专家数量是896个。然后实际激活了百分呃实际激活了1%点几，大概激活16个专家，其实这个稀疏程度呃是处于国内外的一个最呃稀疏的一个水平吧，现在目前国内其实都处在1/100~2%左右。 00:04:15 然后他创新提的提出了自己的KDA，也就是包括残差连接的一个架构，并且呢支持原生的视觉输入，也就是原生多模态，然后上下文也是从呃K2.7的256K，去提升到它的一个100万token的上下文。并且呢，就是K3它的一个训练架构相较于K2整体它的效率是提升的， 00:04:38 然后在性能方面，呃，包括就是Kimi他自己也在官网中推出了呃目前和。GPT5.6还有Anthropic的F5，它其实还是有差距，但是已经成为了呃比较领先的一个开源大模型。这是K3的一个基本介绍啊，那现在反而呃就是对比， 00:05:00 如果要对比GGM5.2的话，首先GLM5.2它的一个总参数量其实是明显小于K3的，因为它的总参数量只有744B，也就是7000多的一个7000多亿的一个参数。然后每个token它是几乎40B的参数，同样也是采用m OV架构嘛， 00:05:17 不过，呃，在，嗯，就是在。呃，模型的架构上它是采用DSA，包括还有包括呃自己研发的int，呃index share去呃。就是去降低它的上下文注意力的一个计算量， 00:05:34 包括呃其实这一个就是在注意力机制上我们可以简单的类比一下，就是Kimi K3它是什么呢？它是一个混合的注意力机制，也就是说它在它是会对上下文去进行总结概括，然后再计算，就是呃在抵扣的阶段，也就是在计算阶段，它不需要去计算每一个token与上文的一个相关程度，而是只需要去计呃在他整理的内容里面去计算。同时呢保留了部分的一个呃传统的注意力，也就是说它并不是传统的注意力，而是一个线性的呃而是一个混合的注意力。而GM的话还是传统的呃随着你的上下文长度越大，它的一个存储的呃计算量是会逐步的一个提升的。 00:06:19 这是GM5.2在呃就是注意力机制上与Kimi K3的一个不同。 00:06:25 然后G有M5.2，它的一个迭代就是GM5系列迭代，主要是通过呃强化学习，就是在中后中训练和后训练上去强化学习，去提升呃模型的一个性能水平，所以这是呃5.2和KimiK3GM5.2和Kimi K3最直接的一个区别。 00:06:44 那看第三方测评结果的话，其实你要拿and artificial analysis上的一个统一口径去看。那Kimi K3呃，它的一个intelligence in index基本就是仅次于GPT5.6和C5，然后呢GM5.2是51，然后Kimi K3是57，所以综合来看的话，就是Kimi K3的一个综合能力是比目前GM5.2更高的。但目前来呃在实际的一个工作体验中， 00:07:13 由于可能Kimi康呃Kimi的K3它刚刚推出，整体的推理速度是比较慢的。而GM5.2就是在那个artificial analysis上的，呃推理速度大概是维持在不到200多每秒，然后K3目前只有三十几，所以的话可以看到目前K3它在推理端的一个呃，优化是还是有很大的一个提升空间的。然后质谱它更多的就是在当前的一个参数水平下去提高了一个更，呃更强的一个性能，所以综合。 00:07:44 我来看。一句话概括就是，Kimi K3它是以更大的模型参数和更高的推理成本，去换取了更强的一个模型能力，而G2M5.2的话，就目前来看，它是以一个7000多亿的一个底座的模型规模，去提供一个更高的速度和更低的一个调用成本。这是啊，我们认为就是两者目前的一个核心的定位差异。 00:08:09 呃包括未来其实呃如果要对比Kim Kimi K3和GM5.2的话，我们觉得其实不太呃能够直接去对比性能，因为首先他们两个人的一个总参数量其实是不太一样的。并且呢呃GM就是质朴在上周末的电话会上其实也提到了，就是未来它呃就近期啊它即将推出GM5.3，它还是建立在呃GM5整体的一个底座模型之上的。也就是说它还是就更加强调了它在呃强化学习上面的一个提升，而不是在总参数量的一个提升。呃预计下一代的一个GM那个模型会在参数量上去发呃，进行一个显著的一个提升。 00:08:52 包括呃杨就是Kimi的创始人杨志林也提到，就是目前来看就是更大就是更大参数的basemodel,也就是基基础模型，它它的呃是能够让强化学习的上强化学习的上限更高的，因为你的参数量越多，就意味着你模型整体的一个储备量越就是越足。那强化学习的话，它只是去负责将你在预训练里面的知识储备去激活出来，从而使得模型在推理和Agent的任务里面去用好这些知识。 00:09:22 其实呃他们俩差异就很明显了，就是木Kimi走呃K3，它其实走的是。提升模型的一个知识储量，然后呢带来模型的性能的提升。而智博是在有限的知识储量储备情况下，去通过极致的强化学习去激活模型最高的一个潜能。 00:09:44 这是我们认为就是质谱Kimi K3和GM呃，那个Kimi K3和GM5.2之间的呃核心差异。然后这是第一点，也就是质朴的GM5.2和Kimi K3的一个差异。那第二个点的话，就是我们认为当前目前的大模型竞争格局其实还没有稳定下来，因为嗯，可能之前大家觉得海外模型就拿海外模型来说，可能更多的聚焦在OpenAI和Anthropic这两家。但从近期来看，包括呃Grok它推出了4.5，其实在模型的一个性能上追那个追赶的特别快，基本上能够达到OPPO4.6和4.8的一个水平。 00:10:27 这是海外厂商的一个情况，那国内的话其实呃。目前国内模型厂商其实还都在牌桌上，就包括独立的大模型厂商，像Kimi质谱MiniMax，包括deep那个DeepSeek等等。然后包大模那个传统的互联网厂商，互联网呃互联网厂商他们也在迭代自己的模型。比如阿里巴巴它近期推出的千问3.8max preview版本，其实在开源社区的一个呃反馈也还可以，就是因为它还是处在一个preview版本嘛，它整体的一个性能呃还是等到正式版本推出，但已经得到了比较好的一个反馈。 00:11:08 此外呢，包括还有腾讯，腾讯的混元3从今年呃组织架构重新调整以来，它的一个进步速度很快，就整体混元3直接能够达呃的推出，其实已经达到了国内第一梯队末尾的一个位置。所以说目前国内厂商还是处于呃，国内外厂商还是处于一个非常激烈的你追我赶的一个阶段。 00:11:34 并且呢，我们认为其实目前各家公司其实还有很多的skalating方向还没有充分的开发，就呃， 00:11:40 就拿那个目前就是主流的一些文献来看啊，就早期skalating low它其实主要讨论的是包括参数量、训练数据和训练的一个计算量。并且呢，文献证明了就是当三者同步扩大的时候，就是模型的损失，它是能够呃有规律地去下降的，也就是说早期的scaling low它更加更多的聚焦，你的数据量越多，你的参数量越多，进而你模型的一个性能就越强。 00:12:05 但后续又有呃，后续现在的主流是你的模型参数和训练的token，需要投比较平衡的一个 增长，并且呢你的如果数据越就质量越高。那么你的模型训练出来的一个能力就越强，所以目前来看就是在Scaling Law这个环节，其实呃。还是成立的，就是如果你要去强持续地强化你的参数量，持续去提高你的一个数据量，其实你模型的性能还有很大的一个上升空间。 00:12:36 并且呢，国内的模型它呃目前超过两T的，也就Kimi K3和那个千问3.8pre那个maxpreview这俩模型，其他的模型普遍处在呃1T以下，或者说1T到两T的这个范围区间内，未来还有很大的一个提升空间。所以目前来看，就整体在训练端的就模型训练端的算力需求还是很高的。嗯。 00:13:02 但现在呃进入了推理和Agent阶段之后，就整体的一个scaling它的一个维度又进一步扩大，因为可以看到现在呃scaling又可以。通过将Agent的一个行为数据或者说去。去强化模型的一个Agent能力，并且呢还可以通过呃更好的一些注意力机制或者说KV开始的一个管理，去呃优化模型的一个部署。 00:13:25 所以可以看到就目前来看啊，整体的一个scaling在呃还就是还是处在一个持续进行的一个过程中，并且呢也没有表现出说有一条技术路线是绝对的占优，各家还是有了自己的。就是专属的一个算法，就比如说Kimi的KDA就是Kimi的。注意力机制包括呃MiniMax的还有质谱的，其实他们都是有自己的一个独创性在的，所以也不能够去直接地下呃结论，说某一家的一个呃技术路线就是绝对的一个强。嗯， 00:14:01 此外呢，像Anthropic它近期其实推出了一个，就是叫模型的一个自我改递归自我改进的一个概念，其实也就是说，呃现在模型还是去依赖于呃人类他去确定目标，然后AI去执行实验的一个方式。那未来的话，就随着模型能力